MiniMax H3 chegou: o que sua atualização de edição de vídeo realmente muda

O MiniMax H3 pode gerar um vídeo de 15 segundos em resolução 2K com som estéreo nativo. Isso rende uma boa manchete de lançamento, mas a resolução não é a atualização mais importante.

A mudança mais relevante é o que você pode fornecer ao modelo antes que ele gere qualquer coisa. O H3 aceita texto, imagens, vídeo e áudio como referências e os utiliza para criar ou modificar um clipe. Em vez de perguntar apenas, “Que vídeo novo este modelo pode gerar?”, você pode perguntar: “Quais partes deste vídeo existente devem permanecer e o que deve mudar?”

Isso torna o H3 relevante para revisões de campanhas, vídeos de produtos, transferência de movimento, visuais musicais e outros trabalhos que antes exigiam várias etapas separadas de geração e edição. No entanto, ele não transforma o H3 em um editor de linha do tempo preciso quadro a quadro. Sua edição de vídeo é generativa: o modelo interpreta a fonte e renderiza um novo resultado.

Exemplos do MiniMax H3: dois testes úteis

Os exemplos a seguir foram desenvolvidos para testar dois aspectos diferentes do MiniMax H3. O primeiro verifica se o H3 consegue preservar uma performance existente enquanto muda sua direção artística e adiciona tipografia exata. O segundo testa se ele consegue manter coesa uma sequência complexa de ação de 15 segundos.

Exemplo 1: edite um vídeo de K-pop com tipografia cinética

Espaço reservado para mídia: insira aqui o clipe de dança original e o resultado editado pelo H3.

Entrada: um vídeo existente com exatamente três performers
Modo: referência para vídeo
O que muda: cenário do estúdio, direção das roupas, gráficos, tipografia e tratamento de áudio
O que deve permanecer: quantidade de performers, identidades, coreografia, tempo e movimento da câmera original

Edite o vídeo-fonte enviado para transformá-lo em uma campanha de K-pop de alta-costura.

Preserve exatamente três performers do sexo feminino, suas identidades faciais, o tempo da coreografia, as posições corporais, as expressões e o movimento original da câmera. Não adicione, remova, duplique ou mescle nenhuma performer.

Substitua o ambiente original por um estúdio de moda com ciclorama branco e alto contraste. Reestilize as performers com techwear futurista coordenado em preto, prata e vermelho-escuro, com painéis metálicos, silhuetas estruturadas, alças utilitárias e acessórios refletivos.

Adicione tipografia cinética marcante que reaja ao ritmo e aos cortes da câmera. Renderize apenas as palavras exatas “FEARLESS” e “NO LIMITS” em letras grandes, corretamente grafadas, pretas e condensadas, sem serifa. Exiba uma frase por vez. Faça a tipografia deslizar, mudar de escala e passar brevemente atrás das performers sem cobrir seus rostos ou mãos.

Adicione elementos de colagem de papel rasgado, recortes editoriais vermelhos, linhas sutis de varredura digital e efeitos controlados de sinal com glitch ao fundo. Enfatize close-ups de expressões confiantes, gestos apontando com o dedo, detalhes das alças nas pernas e poses de dança sincronizadas, seguindo a sequência de planos já existente no vídeo-fonte.

Iluminação editorial de alta intensidade, realces brancos limpos, detalhes nítidos de fotografia de moda, textura de tecido definida, rostos e membros estáveis e um ritmo visual dinâmico, mas controlado. Preserve a duração e a sincronização originais do vídeo. Áudio estéreo nativo com percussão eletrônica marcante, impactos de transição nítidos e acentos sutis de glitch.

Este não é apenas um teste para saber se o H3 consegue criar um videoclipe atraente. Verifique se ele consegue preservar três pessoas distintas durante movimentos rápidos, manter a coreografia alinhada à fonte, escrever corretamente as duas frases e posicionar a tipografia sem cobrir repetidamente rostos ou mãos.

Esses detalhes importam porque “mude o visual, mas mantenha a performance” é o verdadeiro problema de edição. Um resultado visualmente impressionante que altera a quantidade de dançarinas ou abandona o tempo original não cumpriu o briefing.

Exemplo 2: uma perseguição de skate em miniatura de 15 segundos

Espaço reservado para mídia: insira aqui o resultado gerado de 15 segundos pelo H3.

Entrada: apenas um prompt de texto
Modo: texto para vídeo
O que testa: movimento prolongado, consistência de escala, colisões, oclusão, acompanhamento da câmera e som ambiental sincronizado

Uma sequência de perseguição em miniatura, fotorrealista e com 15 segundos, filmada em um único plano contínuo, sem cortes.

0–4 segundos: uma câmera macro de acompanhamento ultrabaixa, no nível do chão, segue diretamente atrás de um minúsculo skatista em miniatura que desliza suavemente sobre um piso de madeira polida. O skatista e o skate permanecem claramente visíveis e mantêm a mesma escala e aparência. A luz quente do sol reflete suavemente sobre a madeira. Profundidade de campo rasa, vibração realista das rodas e desfoque de movimento sutil.

4–9 segundos: grandes blocos de brinquedo coloridos despencam repentinamente no caminho, vindos dos dois lados. O skatista se inclina, desvia e passa por pouco entre eles enquanto um grande caminhão de brinquedo atravessa o primeiro plano. A câmera acompanha o ritmo sem perder o personagem. Os blocos colidem naturalmente e projetam sombras móveis realistas.

9–15 segundos: um enorme bebê fofo engatinha rapidamente para aparecer ao fundo e estende uma das mãos gigantes em direção ao skatista e à câmera. O skatista acelera por baixo da mão que se aproxima enquanto a câmera continua acompanhando a poucos centímetros do chão. A mão passa perto da lente sem tocá-la. Termine com o skatista escapando por baixo do caminhão de brinquedo enquanto o bebê reage com uma risada surpresa.

Mantenha a escala miniaturizada, a identidade do skatista, a disposição do piso, a direção da iluminação e as posições dos objetos consistentes durante todo o plano. Física realista, anatomia natural das mãos, texturas detalhadas de madeira e brinquedos, perspectiva macro cinematográfica, luz natural quente e intensa de ambiente interno e movimento energético, mas legível.

Som estéreo nativo: pequenas rodas de skate rolando sobre a madeira, blocos batendo à esquerda e à direita, o caminhão de brinquedo roncando ao atravessar o primeiro plano, uma risada suave de bebê atrás da câmera e um breve sussurro grave quando a mão gigante se aproxima.

A linha do tempo oferece ao H3 uma sequência mais clara do que um único parágrafo repleto de ações simultâneas. Mesmo assim, este é um prompt difícil. A câmera precisa acompanhar um único personagem minúsculo enquanto vários objetos muito maiores entram, colidem e obscurecem parcialmente a visão. Uma avaliação útil deve verificar a continuidade nas transições de 4 e 9 segundos, em vez de julgar apenas o quadro mais nítido.

 

O que é o MiniMax H3?

O MiniMax H3 é um modelo de vídeo multimodal de uso geral lançado pela MiniMax em 31 de julho de 2026. Em termos simples, ele consegue interpretar vários tipos de entrada criativa ao mesmo tempo—instruções escritas, imagens estáticas, clipes de vídeo e áudio—e usá-los para gerar um novo vídeo.

Essa definição diferencia o H3 do MiniMax M3. O H3 é o modelo de geração de vídeo discutido aqui. O M3 pertence à linha de modelos de linguagem e programação da MiniMax. Nomes semelhantes, funções diferentes.

O ID oficial do modelo na API é MiniMax-H3. A documentação atual da MiniMax lista três caminhos principais de geração: texto para vídeo, imagem para vídeo com o primeiro e/ou último quadro e referência para vídeo. O modelo gera a 24 fps, aceita de 4 a 15 segundos em incrementos de segundos inteiros e atualmente disponibiliza saída em 2K pela API pública. Documentação de vídeo do MiniMax H3

Você também pode ver o H3 descrito como “Hailuo 3.0.” Esse rótulo faz sentido como uma forma informal de posicioná-lo depois da família Hailuo 2.x, mas a lista atual de modelos e a documentação da API da MiniMax usam MiniMax H3, e não Hailuo 3.0, como nome oficial.

O que há de novo na atualização do MiniMax H3?

O Hailuo 2.3 tinha como foco uma ação física melhor, microexpressões humanas, visuais estilizados e resposta a comandos de movimento. O H3 amplia o escopo do produto. Agora, a questão não é apenas gerar um clipe curto a partir de texto ou de uma imagem; o modelo pode usar mídia existente como contexto de trabalho.

1. Saída em 2K para clipes de até 15 segundos

O MiniMax H3 eleva o limite documentado dos formatos de 6 ou 10 segundos disponíveis nos modelos de API Hailuo mais antigos para uma duração flexível de 4–15 segundos. Também aumenta a resolução máxima de 1080p para 2K.

Maior duração não significa automaticamente mais coerência. Um plano de 15 segundos dá ao modelo mais tempo para alterar um rosto, perder um objeto ou interpretar incorretamente um evento posterior. É por isso que o segundo exemplo acima usa uma sequência cronometrada e restrições explícitas de continuidade.

2. Áudio estéreo nativo

O H3 gera o som como parte do vídeo, em vez de exigir uma etapa completamente separada de geração de áudio. A Reuters informa que o som estéreo nativo é um dos recursos do lançamento. Para anúncios curtos, visuais musicais e clipes de ação, isso pode manter os efeitos sonoros mais próximos dos eventos que os produziram. Relatório de lançamento da Reuters

A desvantagem é a previsibilidade. O áudio nativo reduz etapas do fluxo de trabalho, mas não garante diálogos exatos, sincronização labial perfeita ou uma mixagem pronta para produção em todas as tentativas. Se um projeto depender de música legalmente licenciada, texto preciso de locução ou padrões exatos de volume, trate a faixa gerada como um rascunho até que ela passe por uma revisão separada.

3. Geração multimodal baseada em referências

Uma solicitação de referência para vídeo pode combinar até 9 imagens, 3 clipes de vídeo e 3 clipes de áudio, sujeita a um total de 12 arquivos e a um limite total de 15 segundos para vídeos ou áudios de referência. Toda solicitação ainda exige um prompt escrito. O áudio também não pode ser enviado sozinho; pelo menos uma imagem ou vídeo de referência deve acompanhá-lo.

Isso é útil quando um único recurso não consegue conter todo o briefing. Uma imagem de produto pode definir o objeto, uma imagem de modelo pode definir a pessoa, um clipe-fonte pode definir o movimento e um clipe de áudio pode definir o ritmo. O prompt então explica quais características devem ser preservadas e como a cena final deve parecer.

Mais referências também criam mais possibilidades de conflito entre instruções. Nove imagens não são automaticamente melhores do que três. Se duas fotos de produto mostrarem embalagens diferentes ou duas referências de personagem exibirem cabelos diferentes, o modelo terá de adivinhar qual deve prevalecer.

4. Controle do primeiro e do último quadro

O H3 aceita um primeiro quadro, um último quadro ou ambos. Isso é útil quando a composição inicial do produto e o quadro final da marca já foram aprovados, mas o movimento entre eles ainda precisa ser gerado.

O modo de primeiro/último quadro e o modo de referência multimodal são caminhos separados da API. A especificação atual da MiniMax afirma que eles não podem ser combinados na mesma solicitação. Esse limite é fácil de ignorar: você pode fixar as imagens de abertura e encerramento ou usar uma coleção de imagens, vídeos e áudios de referência, mas não as duas estruturas de entrada ao mesmo tempo. Referência da API do MiniMax H3

5. Transferência de movimento e controle por vídeo de referência

O H3 pode usar um vídeo de referência para orientar o movimento, o comportamento da câmera, o ritmo da edição e outras informações temporais. Isso abre um caminho prático para transferência de coreografias, gestos de manuseio de produtos, movimentos de câmera e tempo de cena que seriam difíceis de descrever apenas com texto.

Isso não significa que o movimento da fonte seja copiado quadro a quadro. O H3 interpreta a referência e regenera o resultado. Para coreografias reconhecíveis ou movimentos de produto rigorosamente aprovados, compare a saída com a linha do tempo da fonte em vez de presumir que “referência” significa replicação exata.

6. Edição generativa de vídeo

A edição de vídeo é o recurso definidor do H3, mas o termo precisa de uma ressalva. O H3 não é um editor convencional no qual você seleciona uma camada, substitui uma palavra e deixa todos os pixels não afetados exatamente intactos.

Em vez disso, o vídeo-fonte se torna uma referência. O prompt informa ao H3 o que preservar e o que mudar, e o modelo gera um clipe revisado. Isso pode permitir grandes mudanças criativas—novo cenário, figurino, gráficos, som ou estilo—mas essas mesmas mudanças podem introduzir alterações de identidade, enquadramento modificado, texto grafado incorretamente ou pequenas mudanças de movimento.

Em uma frase: o H3 edita por regeneração, não modificando cirurgicamente o arquivo original.

Como a edição de vídeo do MiniMax H3 realmente funciona

Uma boa instrução de edição para o H3 tem duas camadas:

1. Restrições de preservação: quem permanece no clipe? Quais detalhes do produto, ações, movimentos da câmera, tempos e composição devem continuar iguais?

2. Instruções de transformação: que fundo, roupas, estilo visual, tipografia, som ou atmosfera devem mudar?

O prompt de K-pop usa essa divisão de propósito. Primeiro, fixa a quantidade de performers, as identidades faciais, a coreografia, o tempo e o movimento da câmera. Só então solicita um novo estúdio, direção de moda, gráficos e tratamento de áudio.

Essa ordem importa. “Transforme isto em um vídeo futurista de K-pop” dá ao modelo permissão para reinterpretar praticamente tudo. “Preserve exatamente três performers e a coreografia da fonte; substitua apenas a direção artística” fornece uma hierarquia.

Para edições mais difíceis, altere uma categoria importante por vez. Primeiro teste o fundo e o figurino. Depois adicione a tipografia. Em seguida, refine o áudio. Uma única solicitação pode fazer as três coisas, mas separá-las permite identificar qual instrução causou uma falha e facilita o diagnóstico de novas tentativas.

Há também um detalhe de custo que os resumos de lançamento costumam ignorar. A MiniMax cobra US$ 0,13 por segundo por uma saída em 2K, e um vídeo de referência é cobrado pela mesma tarifa por segundo, de acordo com sua duração. Uma geração em 2K de 15 segundos, portanto, custa cerca de US$ 1,95. Se a solicitação também usar um vídeo de referência de 15 segundos, a cobrança combinada do vídeo de entrada e da saída fica em cerca de US$ 3,90, antes de qualquer tarifa adicional por mais de cinco imagens de referência. Preços pré-pagos da MiniMax

Isso não torna a edição baseada em referências inviável, mas muda a forma como você planeja as iterações. Dez tentativas de texto para vídeo com 15 segundos custam cerca de US$ 19,50 pela tarifa indicada; dez edições igualmente longas com um vídeo-fonte de 15 segundos custam cerca de US$ 39,00. Gerações curtas para diagnóstico são o primeiro passo mais sensato.

Que tipos de vídeo o MiniMax H3 pode criar?

O H3 cobre as tarefas conhecidas de texto para vídeo e imagem para vídeo, mas seus casos de uso mais fortes são aqueles que se beneficiam de vários tipos de referência ou de uma linha do tempo existente.

Revise uma campanha sem refazer toda a filmagem

Uma marca pode fornecer a performance-fonte aprovada e solicitar um novo local, direção de figurino, tratamento sazonal ou sistema gráfico. Isso é útil para criar versões regionais ou específicas de eventos. É menos adequado quando cada rótulo de produto, detalhe facial e gesto precisa sobreviver com fidelidade quadro a quadro.

Transforme imagens de produtos em um vídeo de e-commerce

Fotos de produto podem definir forma, cor e embalagem, enquanto uma referência de movimento demonstra como o item deve girar, abrir, derramar, dobrar ou se mover pela cena. Uma imagem final pode ser útil para um cartão de encerramento fixo, embora atualmente não possa ser combinada com entradas de referência para vídeo na mesma solicitação.

Transfira coreografias ou movimentos de câmera

Um clipe de referência pode comunicar um tempo que exigiria centenas de palavras para ser descrito. Dança, movimentos esportivos, comportamento de câmera na mão e movimentos de revelação de produtos são candidatos óbvios. Sempre confirme que você tem o direito de usar a performance e a aparência da fonte.

Crie visuais curtos de música e moda

A combinação de mudanças visuais rápidas, som gerado, movimento de referência e prompts de direção artística é adequada para teasers musicais e campanhas de moda. A tipografia exata continua sendo um ponto de controle de qualidade, não algo que se deva presumir como garantido.

Anime promoções de jogos e telas de títulos cinematográficas

Imagens de referência podem manter um personagem, objeto ou interface mais próximo de um design aprovado, enquanto o prompt adiciona movimento, deslocamento de câmera, partículas e som. As imagens geradas são úteis para trailers conceituais, mas textos de interface e sequências semelhantes a gameplay ainda precisam de revisão humana.

Gere sequências de ação ou perseguição de 15 segundos

A duração maior dá ao prompt espaço suficiente para apresentação, escalada e desfecho. Também torna a continuidade mais difícil. Os prompts devem dividir a ação em intervalos de tempo e repetir as características do personagem que não podem mudar.

MiniMax H3 para e-commerce e publicidade

A maneira mais útil de pensar no H3 para e-commerce não é “gerar um anúncio”. Pense nele como uma forma de montar um briefing a partir de vários recursos de mídia.

Por exemplo, uma marca de cosméticos poderia fornecer cinco ângulos limpos do produto, uma referência de modelo, um clipe de 6 segundos com movimento das mãos e uma referência curta de áudio. O prompt poderia então solicitar uma revelação vertical do produto com 10 segundos, preservando a forma do frasco, a posição do rótulo, a cor da tampa, a identidade do modelo e o tempo do gesto.

Esse é um briefing melhor do que “crie um anúncio de cosméticos de luxo”. Mas também não é uma garantia. A geometria do produto pode se deformar, textos pequenos do rótulo podem mudar e um logotipo pode variar entre os quadros. Se a saída se tornar um anúncio pago, compare o produto com a fotografia aprovada quadro a quadro e substitua o texto essencial da marca em um editor convencional quando necessário.

O H3 é mais útil aqui como um acelerador de produção para conceitos, variantes e recursos curtos de campanha. Ele não substitui a aprovação da marca.

MiniMax H3 versus Hailuo 2.3 e Hailuo 02

A diferença geracional é maior do que a coluna de resolução sugere. Os modelos Hailuo anteriores da MiniMax são geradores de vídeos curtos baseados em entradas de texto e imagem. O H3 adiciona um sistema de referências que pode receber vídeo e áudio e usar esses materiais para criação, transferência de movimento ou edição.

A escolha prática é simples:

• Escolha MiniMax H3 quando a tarefa precisar de um vídeo existente, vários recursos de referência, som nativo, saída em 2K ou mais de 10 segundos.

• Escolha Hailuo 2.3 quando precisar apenas de um clipe curto de texto para vídeo ou imagem para vídeo e não precisar do sistema de referências e edição do H3.

• Considere Hailuo 02 quando o caminho de primeiro/último quadro ou o preço de menor resolução se encaixar em um fluxo de trabalho legado simples.

O MiniMax H3 ainda não está disponível pelo GPT Proto. Se precisar de um modelo de vídeo MiniMax que já esteja disponível, experimente Hailuo 2.3 Pro para imagem para vídeo ou Hailuo 2.3 Pro para texto para vídeo.

Preços e disponibilidade do MiniMax H3

A API oficial do MiniMax H3 está disponível sob o ID de modelo MiniMax-H3. A documentação pública da API atualmente lista 2K como resolução de saída disponível. Uma tarifa para 768p foi publicada, mas a MiniMax marca essa opção como beta fechado e orienta os usuários a entrar em contato com o setor de vendas antes de usá-la.

A API usa um fluxo de trabalho assíncrono: envie uma solicitação de geração, receba um ID de tarefa, consulte o status da tarefa e baixe o resultado depois que ela for concluída com sucesso. O MiniMax H3 não está disponível atualmente no GPT Proto, portanto este artigo não inclui um exemplo de código do GPT Proto nem sugere que um endpoint H3 do GPT Proto já esteja ativo.

O status dos pesos abertos também exige uma redação precisa. A MiniMax apresenta o H3 como um modelo aberto de uso geral e anunciou planos de publicar os pesos. A Reuters informou que os arquivos eram esperados dentro de alguns dias. No entanto, na verificação deste artigo em 31 de julho, os pesos para download, os termos da licença, o tamanho do modelo e os requisitos realistas de hardware local ainda não haviam sido confirmados publicamente.

“Pesos abertos” é, portanto, a direção anunciada, não uma prova de que você possa baixar e executar o H3 localmente hoje.

O que o MiniMax H3 ainda não garante

O H3 amplia o que pode ser tentado em uma única geração, mas não elimina os modos comuns de falha dos vídeos generativos.

Textos exatos ainda podem exigir novas tentativas. O primeiro exemplo usa deliberadamente apenas duas frases curtas. Se essas palavras mudarem entre os quadros, use a geração para o movimento e adicione a tipografia final em um editor comum.

Edições agressivas podem alterar a identidade. Substituir o fundo, o figurino, o sistema gráfico, o áudio e a iluminação em uma única solicitação dá ao modelo mais oportunidades de reinterpretar as pessoas da fonte.

Um plano complexo de 15 segundos é mais difícil do que uma animação simples de 6 segundos. Quanto mais longo o clipe e quanto mais eventos ele contiver, mais decisões de continuidade o modelo precisará preservar.

Edição generativa não é edição que preserva pixels. O H3 cria um novo resultado a partir de referências. Não é a ferramenta certa para uma edição jurídica, médica ou de conformidade de produto em que todos os pixels não alterados precisam permanecer idênticos.

Exemplos oficiais não comprovam confiabilidade de produção repetível. Um vídeo de lançamento mostra o que um modelo consegue produzir, não quantas tentativas foram necessárias. Repetibilidade, taxa de falhas e sensibilidade ao prompt precisam de testes independentes.

Os requisitos para implantação local ainda são desconhecidos. Até que os pesos reais, os detalhes da arquitetura, a licença e as orientações de serviço sejam divulgados, qualquer recomendação precisa de VRAM é especulação.

Um sinal independente é animador: em 31 de julho, o MiniMax H3 ficou em primeiro lugar no ranking de edição de vídeo com áudio da Artificial Analysis, com uma pontuação Elo de 1.130 baseada em 5.043 amostras. Esse é um resultado útil de preferência cega, mas representa um retrato momentâneo, não uma garantia para todas as tarefas. Ranking de edição de vídeo da Artificial Analysis

Veredito final: o MiniMax H3 é uma atualização relevante?

Sim. O MiniMax H3 é uma atualização maior em relação ao Hailuo 2.3 do que a frase “2K em vez de 1080p” sugere.

Sua principal razão de existir é a geração e edição orientadas por referências. Texto, imagens de produtos, uma performance-fonte, orientação de movimento e áudio agora podem contribuir para uma única solicitação de vídeo. Para equipes de publicidade e e-commerce, isso muda o briefing de “gere algo semelhante” para “preserve estes recursos e este tempo; depois altere estes elementos criativos específicos”.

O custo é o controle. Como o H3 regenera o clipe, as edições podem afetar detalhes que você queria manter. Planos mais longos também criam mais oportunidades para falhas de continuidade, e o vídeo de entrada aumenta o preço de cada tentativa.

Para uma animação simples de imagem com 6 segundos, o Hailuo 2.3 ainda pode ser suficiente. Para uma campanha multimodal, transferência de movimento, som nativo, revisão de um vídeo existente ou sequência de ação de 15 segundos, o H3 é o modelo mais relevante para testar.

O MiniMax H3 atualmente não está disponível no GPT Proto. Enquanto o acesso é preparado, você pode explorar outros modelos de geração de vídeo na galeria de modelos do GPT Proto ou visitar GPT Proto para comparar os modelos já disponíveis em uma única conta.